Os problemas decorrentes da insuficiência de qualidade de dados atingem hoje organizações públicas e privadas em todo o mundo. Fraudes, comprometimento da capacidade gerencial, ineficiência operacional, perda de credibilidade junto a cidadãos ou clientes geralmente estão relacionados a processos e aplicações inadequados e ineficientes de gerenciamento de informações estratégicas para a organização. Essa deficiência acarreta altos custos nem sempre evidentes para a administração.
 
Esses problemas ocorrem especialmente no Brasil, onde a produção de informações de interesse governamental se dá num ambiente altamente complexo. Temos um pacto federativo em maturação e uma população numerosa vivendo em um território continental e com expressivas desigualdades sociais e culturais.  Por isso mesmo, métodos e ferramentas voltadas à gestão de qualidade das informações de interesse público são vitais para melhoria da gestão e fortalecimento da democracia no País. 
 
A qualificação dos dados que apóiam políticas de seguridade social como assistência, previdência, saúde, educação, trabalho e renda, por exemplo, é uma demanda de gestores públicos das três esferas de governo que necessitam de informações detalhadas e atualizadas acerca do conjunto e/ou de segmentos da população. Esse processo acaba resultando em múltiplos cadastros que, na esfera federal, alcançam dezenas e mesmo centenas de milhões de registros por base.
 
Em ambientes como esses, manter múltiplas representações para uma mesma pessoa pode significar pagamentos indevidos de benefícios sociais, a remuneração superestimada para instituições conveniadas, a validação indevida de pagamentos por serviços realizados após o óbito, dentre outras situações que, somadas, geram grande impacto sobre a qualidade do gasto público. 
 
Se por um lado esse quadro exige cuidados permanentes, por outro, não é um processo simples garantir uma representação efetivamente única de dada pessoa em uma determinada base de dados. Afinal, a pesquisa de unicidade “clássica” baseia-se em processos de coleta nem sempre auditáveis e em estruturas de dados que não impedem a ocorrência de erros. Dados como nomes, locais de nascimento, documentos como registro civil e carteira de identidade não têm a possibilidade de verificação automática de veracidade, ou mecanismos elementares para redução de erros de digitação, tais como dígitos verificadores.
 
Técnicas não determinísticas têm dado contribuição expressiva ao equacionamento desse e de outros grandes desafios para o aprimoramento da qualidade de informações organizadas em grandes bases indexadas por atributos de pessoas. Entre elas podemos citar o instrumental desenvolvido no ramo da epidemiologia/demografia – record linkage - e mais recentemente a abordagem baseada na  aplicação dos princípios da gestão da qualidade total a dados (http://web.mit.edu/tdqm/)   que foi  desenvolvida por um grupo de pesquisa liderado pelo Instituto Tecnológico de Massachusetts (MIT) e é conhecida como Total Data Quality Management (TDQM).
 
Essa abordagem se materializa numa metodologia e em softwares que ofertam funcionalidades relativas à limpeza, padronização, enriquecimento e duplicação de dados com base em algoritmos não triviais, como comparação de registros usando chaves compostas nas quais se considera o emprego de pesos e/ou de comparações por similaridade, além do uso de rotinas fonéticas “ricas”.  
 
Essas estratégias vêm sendo gradualmente incorporadas ao ambiente de qualificação de dados sociais da Administração Pública Federal nos últimos dois anos, com destaque para o uso de record linkage na área de Saúde(*)  e de TDQM pela Secretaria de Logística e Tecnologia da Informação do Ministério do Planejamento e órgãos parceiros. A nossa experiência em interação com gestores de informações relacionadas às áreas da Previdência Social, Educação, Gestão de Recursos Humanos e do patrimônio da União tem apresentado resultados animadores.
 
Entre elas, podemos citar o aperfeiçoamento da verificação de unicidade de representações de dados de pessoa, de forma a identificar duplicidades inter e intra-cadastros. Este tipo de resultado, quando relacionado à verificação entre cadastros que fundamentam pagamentos e base de óbitos produzida por cartórios, tem repercussão direta na redução de gastos indevidos. Também é de fundamental importância a inferência de gênero para registros em que esta informação é decisiva para acesso a programas/benefícios sociais.
 
Destacamos ainda a melhoria da qualidade de dados de endereço, tanto pela inferência de CEP a partir de dados de logradouro/bairro, quanto vice-versa e o estabelecimento de métricas de qualidade de dados de identificação de pessoas e de endereços, que quando monitoradas em relação a cada fornecedor de dados permite considerável qualificação do processo de gestão. Um exemplo deste tipo de uso das técnicas é o indicador de qualidade de informações do censo previdenciário, monitorado em relação a agências bancárias. 
 
Esse tipo de aplicação envolveria tipicamente custos de processamento extremamente altos, seja pela dimensão dos cadastros – que chegam a centenas de milhões de registros - seja pela complexidade do processamento de algoritmos que sustentam inferências e comparações não determinísticas. Pelo uso de arquiteturas baseadas em computação em grade, no entanto, tem sido possível baixar consideravelmente esses custos.
 
Essas iniciativas são inovadoras na área de inteligência organizacional e são eficientes ferramentas para a redução de fraudes e pagamentos indevidos que oneram a Administração com custos muitos superiores que a manutenção desses ambientes. Além disso, a qualificação das bases sociais do governo também contribui para um gerenciamento mais efetivo dos recursos públicos, a melhoria da gestão pública e dos serviços prestados aos cidadãos.

(*) Conforme descrito, dentre outros estudos em : Bierrenbach, AL ; Stenvens AP ; Gomes, ABF ; Noronha, EF ; Glatt R ; Oliveira Junior JG ; SOUZA, M F M . Reduction of tuberculosis incidence rates by removing notification records inappropriately repeated: a record-linkage study. Revista de Saúde Pública / Journal of Public Health, 2007 e CHERCHIGLIA M L. ; GUERRA JÚNIOR, Augusto Afonso ; ANDRADE, Eli Iola Gurgel ; MACHADO, Carla J ; ACÚRCIO, Francisco de Assis ; MEIRA JÚNIOR, Wagner ; QUEIROZ, Odilon Vanni de . National database on renal replacement therapy focused on the individual: a record linkage procedure approach. In: HTAi for Evidence-Based Public Health, 2007, Barcelona. Book of Abstracts. Barcelona : HTAi, 2007. p. 79-79.